轴承诊断系统的训练方法、控制装置及存储介质制造方法及图纸

本发明专利技术涉及一种轴承诊断系统的训练方法、控制装置及存储介质，所述方法包括：将第一轴承诊断训练样本进行频域转换，得到轴承频域特征样本，其中第一轴承诊断训练样本为时域信号；基于轴承频域特征样本得到图数据；基于所述图数据得到邻接矩阵以及节点特征矩阵；基于邻接矩阵以及节点特征矩阵对所述轴承诊断系统进行训练。本技术通过将轴承诊断训练样本进行频域转换，又转化为图数据。利用图数据的邻接矩阵和节点特征矩阵，可以更为直观和有效地揭示轴承信号中的内在关系和结构，通过应用本技术，成功解决了在现有技术中因数据特征提取不足而导致的诊断不准确问题，大大提高了轴承故障诊断的准确性和效率，为工业应用带来了极高的效益和价值。高的效益和价值。高的效益和价值。

【技术实现步骤摘要】
轴承诊断系统的训练方法、控制装置及存储介质


[0001]本专利技术涉及轴承
，具体提供一种轴承诊断系统的训练方法、控制装置及存储介质。

技术介绍

[0002]在现有的轴承故障诊断技术中，虽然机器学习和深度学习技术已经被广泛应用，但仍然面临着许多挑战和局限性。
[0003]传统的机器学习方法需要进行复杂的手工特征提取，可能会遗失部分关键的原始信息，降低故障诊断的准确性。而深度学习技术，如CNN和LSTM，虽然能够自动提取特征，但它们在处理长序列和非欧几里得结构数据时效果并不理想。特别是在电机轴承这种复杂、非线性的信号中，传统的处理方法难以捕获数据之间的内在关系和结构。
[0004]相应地，本领域需要一种新的轴承故障诊断方案来解决上述问题。

技术实现思路

[0005]为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决现有技术中的轴承故障难以精确诊断的问题。
[0006]在第一方面，本专利技术提供一种轴承诊断系统的训练方法，所述方法包括：将第一轴承诊断训练样本进行频域转换，得到轴承频域特征样本，其中所述第一轴承诊断训练样本为时域信号；基于轴承频域特征样本得到图数据；基于所述图数据得到邻接矩阵以及节点特征矩阵；基于邻接矩阵以及节点特征矩阵对所述轴承诊断系统进行训练。
[0007]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述图数据包括：图节点以及图节点之间的连接关系，“基于轴承频域特征样本得到图数据”，包括：取轴承频域特征样本中的相同频率下的特征样本作为图节点；基于k
‑
邻近算法确定不同的图节点之间的连接关系。
[0008]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，其中所述第一轴承诊断训练样本包括第一电流信号以及第一振动信号，所述轴承频域特征样本包括为频域特征的第二电流信号以及第二振动信号；其中每一个图节点中包括相同频率下的第二电流信号以及第二振动信号。
[0009]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述轴承诊断系统包括：图卷积层、图池化层、全连接层以及输出层，“基于邻接矩阵以及节点特征矩阵对所述轴承诊断系统进行训练”，包括：将邻接矩阵以及节点特征矩阵输入至图卷积层中，得到第一特征向量；将第一特征向量输入至图池化层中进行池化操作，得到第二特征向量；将第二特征向量输入至全连接层和输出层中，得到诊断结果。
[0010]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，“将第一轴承诊断训练样本进行频域转换，得到轴承频域特征样本”，包括：对第一轴承诊断训练样本进行等时分割，得到多段第二轴承诊断训练样本；使用快速傅里叶变换对第二轴承诊断训练样本
进行频域转换，得到轴承频域特征样本。
[0011]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，其中每一段第二轴承诊断训练样本的长度为轴承旋转两周对应的采样长度，所述轴承频域特征样本在经过对称性删减后，轴承频域特征样本的长度为第二轴承诊断训练样本的一半。
[0012]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，其中图卷积层的计算使用如下公式：，其中A为邻接矩阵，I为单位矩阵，为的度矩阵，X为特征矩阵，为权重参数，k表示第k层图卷积层，i和j分别表示节点i和节点j，n为节点个数， (i, j)为单位邻接矩阵第i行第j列的元素，是k+1层图卷积层的输入的特征矩阵；是k+1层图卷积层的输出的特征矩阵。
[0013]在第二方面，提供一种轴承诊断方法，包括：获取轴承数据；将轴承数据输入至上述轴承诊断系统的训练方法的技术方案中任一项技术方案所述的轴承诊断系统的训练方法训练好的轴承诊断系统，以输出轴承监控情况的判断。
[0014]在第三方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条计算机程序，所述计算机程序适于由所述处理器加载并运行以执行上述轴承诊断系统的训练方法的技术方案中任一项技术方案所述的轴承诊断系统的训练方法。
[0015]在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条计算机程序，所述计算机程序适于由处理器加载并运行以执行上述轴承诊断系统的训练方法的技术方案中任一项技术方案所述的轴承诊断系统的训练方法。
[0016]本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：在实施本专利技术的技术方案中，本技术通过将轴承诊断训练样本进行频域转换，将传统的时域信号转化为更具信息含量的频域特征样本，进而将这些频域特征转化为图数据。利用图数据的邻接矩阵和节点特征矩阵，可以更为直观和有效地揭示轴承信号中的内在关系和结构，避免了传统机器学习中复杂的手工特征提取步骤，并克服了深度学习模型在处理非欧几里得结构数据时的局限性。因此，通过应用本技术，成功解决了在现有技术中因数据特征提取不足而导致的诊断不准确问题，大大提高了轴承故障诊断的准确性和效率，为工业应用带来了极高的效益和价值。
附图说明
[0017]参照附图，本专利技术的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本专利技术的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：图1是根据本专利技术的一个实施例的轴承诊断系统的训练方法的主要步骤流程示意图；
图2是根据本专利技术的一个实施例的轴承诊断系统的训练方法的次要步骤流程示意图。
具体实施方式
[0018]下面参照附图来描述本专利技术的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本专利技术的技术原理，并非旨在限制本专利技术的保护范围。
[0019]在本专利技术的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如计算机程序，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储计算机程序的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
[0020]实施例1：参阅附图1，图1是根据本专利技术的一个实施例的轴承诊断系统的训练方法的主要步骤流程示意图。如图1所示，本专利技术实施例中的轴承诊断系统的训练方法主要包括下列步骤S10
‑
步骤S40。
[0021]步骤S10：将第一轴承诊断训练样本进行频域转换，得到轴承频域特征样本。
[0022]在本实施例中，第一轴承诊断训练样本为时域信号，轴承频本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承诊断系统的训练方法，其特征在于，包括：将第一轴承诊断训练样本进行频域转换，得到轴承频域特征样本，其中所述第一轴承诊断训练样本为时域信号；基于轴承频域特征样本得到图数据；基于所述图数据得到邻接矩阵以及节点特征矩阵；基于邻接矩阵以及节点特征矩阵对所述轴承诊断系统进行训练。2.根据权利要求1所述的轴承诊断系统的训练方法，其特征在于，所述图数据包括：图节点以及图节点之间的连接关系，“基于轴承频域特征样本得到图数据”，包括：取轴承频域特征样本中的相同频率下的特征样本作为图节点；基于k
‑
邻近算法确定不同的图节点之间的连接关系。3.根据权利要求2所述的轴承诊断系统的训练方法，其特征在于，其中所述第一轴承诊断训练样本包括第一电流信号以及第一振动信号，所述轴承频域特征样本包括为频域特征的第二电流信号以及第二振动信号；其中每一个图节点中包括相同频率下的第二电流信号以及第二振动信号。4.根据权利要求2所述的轴承诊断系统的训练方法，其特征在于，所述轴承诊断系统包括：图卷积层、图池化层、全连接层以及输出层，“基于邻接矩阵以及节点特征矩阵对所述轴承诊断系统进行训练”，包括：将邻接矩阵以及节点特征矩阵输入至图卷积层中，得到第一特征向量；将第一特征向量输入至图池化层中进行池化操作，得到第二特征向量；将第二特征向量输入至全连接层和输出层中，得到诊断结果。5.根据权利要求1
‑
4中任意一项所述的轴承诊断系统的训练方法，其特征在于，“将第一轴承诊断训练样本进行频域转换...

【专利技术属性】
技术研发人员：许伯强，唐李昱，徐严侠，
申请(专利权)人：北京科锐特科技有限公司，
类型：发明
国别省市：